本周早些时候，微软正式端出了两款自研AI模型的新面孔——MAI-Image-2.5-Pro和MAI-Voice-2-Flash，目前已经进入公开预览阶段。这两款模型分别瞄准了高质量图像生成和高并发语音交互两个方向，属于微软AI团队自研模型系列的最新成员。

微软在发布时透露，过去一年里，公司一直在走一条“自研”路线——用经过清理、可追溯、企业级的数据进行训练，不依赖第三方模型蒸馏，从底层设计上就瞄准了微软自家产品用户的需求。这套逻辑，说白了就是：模型从一开始就是为服务微软生态而生的。

先来看MAI-Image-2.5-Pro。这是微软目前精度最高的图像模型，主要面向对图像质量要求比较高的场景，比如主视觉图片生成、细节编辑，以及图像内文字渲染。微软特别强调，这款模型在图像中文字生成的准确性上做了专项优化，并且支持自然语言编辑指令——你只需要用文字描述想调整的内容，模型就能直接生成对应的修改结果。

价格方面，MAI-Image-2.5-Pro的公开预览定价如下：文本输入每100万个Token收费5美元（约合33.9元软妹币），图像输入每100万个Token收费8美元（约合54.3元软妹币），图像输出则是每100万个Token收费106美元（约合718.8元软妹币）。这个价格体系，基本可以看作是对标高端图像生成服务的定价策略。

另一款模型MAI-Voice-2-Flash，则针对高频语音应用做了优化。相比MAI-Voice-2，速度提升了大约一倍，成本却降低了近三分之一。用微软的话说，在保持自然语调和较高语音质量的前提下，能够为大规模语音服务提供更低的延迟支持。这款模型的公开预览价格是每100万个字符15美元（约合101.7元软妹币）。从应用场景来看，客服中心、语音助手这类需要快速响应的场景，是它的主战场。

那么，这两款模型到底落地到了哪些产品里？微软的部署思路其实挺清晰的。

在Bing Image Creator中，MAI-Image-2.5已经成为默认的图像生成模型，直接为用户提供图像生成和编辑能力。PowerPoint这边，MAI-Image-2.5被用于图像到图像编辑功能，微软给出的数据是：相比GPT-Image-2，GPU成本最高可降低84%。OneDrive也不甘落后，MAI-Image-2.5已经成为部分图像编辑功能的默认模型，部署后相关场景的保存成功率提升了26%，P95延迟降低约25%，在中等负载生产环境中的效率提升了2.5倍。

语音方面，MAI-Voice-2-Flash已经接入Dynamics 365 Contact Center，用于企业客服智能体服务。微软表示，这款模型最高可降低89%的GPU成本，并且已经在T-Mobile、EasyJet等客户的场景中落地。此外，MAI-Voice-2-Flash还被集成到了Azure Voice Live服务中，开发者可以利用它构建支持语音到语音交互的智能体。

在医疗领域，微软的自研模型也找到了用武之地。MAI-Transcribe-1.5被应用于医疗语音解决方案Dragon Copilot，目前这个服务被17万名医疗服务提供者使用，上季度处理了2800万次患者问诊记录。MAI-Transcribe-1.5支持58种语言，在内部多语言录音测试中，大多数语言的语音转录错误率和语言识别错误率都实现了50%的相对下降。早期研究还显示，它生成的医疗记录准确性也有所提升。

最后，微软透露了一个信号：MAI系列模型将继续扩展，并通过Foundry平台提供给开发者使用。与此同时，微软AI团队的下一代GB200计算集群已经投入运行，后续模型研发已经在路上。这让人不得不感叹，微软在AI自研这件事上，确实是在认真反赌。